Si l'extension Initialization cells est activée, vous devez (si demandé) "Faire Confiance" (Trust) au Notebook.
Ensuite vous devez attendre l'exécution de ses cellules (de code ;)). (Il y aura 1 (2) alerte(s) si l'initialisation c'est bien passée, sinon soit l'extension ne marche pas, soit bug dans le code, (appuyer sur la calculette ;) ) )

Le Coronavirus: Covid 19

Table of Contents

Introduction : Covid_19_Intro.ipynb

Covid_19_Intro.ipynb
Covid_19_Intro.html

Hypothèses

  • Covid lié au mesures gouvernementales ( force, rapidité, respect )
  • Covid lié à la démographie ( tranche d'âges, densité de popu, taux d'urba )
  • Covid lié au moyen de santé ( nombre de medecins, de lits d'hôpitaux, de lits en réanimation, d'infermieres, d'équipements )
  • Covid lié à la santé ( surpois, obésité, cardiovasculaire, tabac, alcool, diabete, hypertension, ... )
  • Covid lié au régime politique ( moins de morts dans les pays autoritaires ? )
  • Covid lié à la metéo ( température, vent, humidité )
  • Covid lié à la délinquance (respect des mesures gouvernementales ? )

Set Up (Tech)

In [7]:
%run "script/pre-setup.py"
In [8]:
INFO: Pandarallel will run on 10 workers.
INFO: Pandarallel will use Memory file system to transfer data between the main process and workers.

Si Déjà exporté:
FIN

Si pas exporté:
FIN


Données Dispo:
covidTemporalAllCountry
popuMondeTranches
lifeExpectancy
beds
doctors
tests
urba
medianAge
popuDensity
politicalRegime
tauxDeces
frHospit
depLatLong
surpoisData
overweightData
obesityData
cardiovascularD
hypertensionD
covidDataPlus
handwashingData
mortalityHygiene
mortalityCVD_cancer_diabetes_CRD_30_70
healthCoverage

EDA (Tech)

Interessant https://ourworldindata.org/coronavirus#all-charts-preview

In [ ]:
#pour ré-actualiser toutes les figures dépendantes de NOUVELLES DONNÉES exécuter cette celulle (/!\ cela prend du temps)

Functions + Variables utiles (automatique si dans nb)

on crée des variables pour faciliter les choses

In [9]:
In [10]:

Le Covid-19 à l'échelle mondiale

In [13]:

Introduction Démographique, et sociaux économiques

Démographie

On veut ici avoir un vue d'ensemble (mondiale) sur le Covid-19.
On va pour commencer étudier la démographie de chaque pays.

In [14]:
Out[14]:

On remarque que la chine et l'inde on le plus d'habitants.
Ensuite États Unis, Brésil, Nigéria ...

On va maintenant regarder les différences par classes d'âges

In [1225]:
Out[1225]:

In [467]:

Globalement il y a en a le plus de chaque tranche en inde, chine, puis pakinstan, usa
-15 ans il y a aussi nigeria
+15 ans les usa aussi

Pour les moins de 15 ans:
                                             bcp: Il y a en a bcp en afrique en proportion (peut etre une explication par rapport au covid-19 en Afrique)                                              moyen: magreb, l'afrique du sud, argentine, mexique, inde, kazashstan
                                             faible: USa, canada, europe, australie, chine

Pour les 15-44 ans:
                                             bcp: Oman, United Arab Emirates
                                             moyen: Afrique, amérique latine, inde
                                             faible: USa, canada, europe, australie, chine

Pour les 45-64 ans:
                                             bcp: Europe, Chine, USA, australie
                                             moyen: amerique latine, inde
                                             faible: USa, canada, europe, australie, chine

In [468]:
In [469]:
Out[469]:

Politique

In [1226]:

les pays autocratique: Arabie Saudite, Chine, Kazakhstan, Iran, Syrie, Corée du Nord, Vietnam, Laos, Oman, Cuba
Les pays anocratiques fermé: qq pays d'afrique (magreb sauf tunisie), Thailand, Afganistan
Les pays anocratiques ouverts: qq pays d'afrique, tunisie,Venezuela, Russie, Yemen
les pays democratiques: europe, qq pays d'afrique (Ghana, Kenya, Zambie, Afrique du sud ), Amerique, inde, Australie, Japon, Corée du sud, indonesie, malaisie

Indicateurs Santé

In [1227]:

Europe, Amerique, chine, japon, australie -> Elévé
Afrique (sauf magreb), Afganistan -> moyen bas

J'ai le nombre de mort par ans -> par mois
A mettre en oposition avec le nb de mort du coronavirus

In [472]:
In [473]:
In [474]:
In [475]:
In [1228]:
In [477]:
In [478]:
In [479]:
In [480]:
In [481]:

Indicateurs Santé (Infrastructures)

In [482]:

Bcp: Cuba, Uruguay, Greece, portugal, géorgie, belarus Moyen: Australie, Argentine, Russie, FR, Espagne, Italie, allemagne, suede, finland moyen -bas: pologne, UK, USA, Canada,Mexique, Bresil, Saudi, Mongolie, Kzakhtan, japan bas: afrique, inde, chine, iran, irak, turquie, afganistan

~2016 -> data plus actualisé -> hospital-beds mais on a l'echelle

In [483]:

On remarque le japon, les corées, la rusie, belarusie, allemagne, Ukraine Haut
On remarque Fr, argentine, Bulgarie,Pologne, moyen
On remarque afrique, asie (chine, inde,australie), Amerique assez bas

acute_beds
Les lits de soins curatifs (soins actifs|soins aigus) dans les hôpitaux (HP.1) sont des lits d'hôpitaux disponibles pour les soins curatifs
Les lits de soins curatifs permettent d’accueillir despatients lorsque l’intention principale est de réaliser uneou plusieurs des tâches suivantes : soigner des maladiesou traiter des blessures, effectuer des actes chirurgicaux,soulager les symptômes de blessures ou de maladies (àl’exclusion des soins palliatifs), réduire la gravité deblessures ou de maladies, éviter l’aggravation deblessures ou de maladies ainsi que les complications deblessures ou de maladies qui pourraient menacer la vieou les fonctions normales, effectuer des actes dediagnostic ou thérapeutiques, aider les femmes quiaccouchent (obstétrique). Dans certains pays, ces litscomprennent tous les lits de soins psychiatriques(curatifs ou non).

Confiné -> bcp moins de patient hors covid
Tous les enfants qui vont pas dans les creche -> dans moins infection (grippe)
Mais tjrs crise cardiaque, AVC, urgence covid - moins de patient, bcp moins de risque accident, et infection
Urgence : impact confinement type de patient à l'hop -> bcp moins d'infection, moins de trauma, et moins de gens qui vienne pour rien
Les patients qui étaient la avant -> reduit -> service minimum dans tous les services, a part urgence.
qui occupe des lits a l'hop : des urgences, et des hospi programmé (cancer ex: cure depend de l'urgence), tous ce qui peux pas attendre, et libere du personnelle, (par ex: chirurgie cardiaque, orl) un chir, un anestesiste, (tous les bloques) (anestesiste -reaminateur) permet de liberer tout les anestesiste-reanimateur sauf qquns, requisitionner tous les internes de cardios (avec competence reanimatoire)
manque de personnelle ? oui, mais la vague est énorme, soignant malade, manque de materiel ? oui, plus de masque, respi on sait pas -> impact les medecins peuvent tomber malade) (changer toutes les 5h normalement)

REa -> bcp plsu de perosnnes demandé)
manque d'infirmiere

In [484]:

On remarque allemagne, bulgarie, autriche, japon, corée du sud +
On rmrq inde, iran, UK, Usa -

In [485]:

rmrq USA, kazakthan arabi saoudite, allemagne,roumanie, taiwan +
rmrq canada, fr, it, espagne, japon, corée du sud +/-
rmrq chine, inde, iran, -

interressant: https://www.healthsystemtracker.org/indicator/access-affordability/percent-insured/
https://ourworldindata.org/financing-healthcare

In [486]:
  • données maladies par causes (par tranches d'ages), taux de'accident de la route, Risk_of_impoverishing_OR_catastrophic_surgical_care VIH at least basic sanitation, sanitation,

Divers

données méteorologique
données violences/delinquance

Les Cas Contaminés

Les cas contaminés annoncés par chaque pays, ne représente seulement que les cas testés.
Il y a bcp de cas asymptomatique donc pas testé.

Les tests

Intro

Il y a plusieurs types de tests: PCR, Sérologique, et diagnostiques rapides

certain cas ou virus poimons mais pas fond du nez

PCR

PCR signifie Réaction de polymérisation en chaîne (PCR)

On les pratique sur les frottis naso-pharyngés des patients, prélevés à l'aide d'écouvillons dans le nez ou la gorge, ou sur leurs crachats.
Objectif : rechercher des gènes du virus cachés dans leurs cellules. Après des traitements biochimiques qui en extraient l'ADN puis recomposent le brin d'ARN correspondant (par rétro-transcription), les échantillons sont introduits dans des machines où les séquences génétiques propres au virus vont être décelées par des amorces spécifiques et recopiées par milliards afin d'atteindre une quantité détectable.

Si une personne est infectée par le coronavirus au moment du prélèvement, le test le révèle même en l'absence de symptômes. Il mesure aussi la charge virale c'est-à-dire la concentration du virus, grâce aux machines de qRT-PCR

Selon les machines, la PCR donne des résultats après 30 minutes à 2 heures.
Cependant, **les étapes d'acheminement des échantillons jusqu'au laboratoire peuvent allonger considérablement le processus, notamment pour les personnes qui ne sont pas hospitalisées.

Sérologie

Les tests sérologiques (ELISA) beaucoup plus raffinés que la PCR, leur but est de rechercher chez les patients des anticorps dirigés contre le virus, un signe de son passage sous les radars du système immunitaire.

Le sang est mis en contact avec des plaques contenant une ou plusieurs protéines issues du coronavirus recherché, et on observe si des anticorps s'y lient.

Ces anticorps peuvent être de deux sortes : soit des IgM, qui persistent jusqu'à une semaine à 10 jours après une infection ; soit des IgG, produites un peu plus tard chez les malades, qui restent en circulation en permanence.

Ils donnent des résultats en moins d'une heure, parfois en 20 minutes seulement.

Les anticorps ne sont pas produits dès le début de l'infection, mais un peu plus tard et on peut ainsi passer à côté de cas infectés tout récemment. Ensuite, parce qu'ils ne permettent pas de savoir si une personne est encore contagieuse, contrairement aux tests PCR qui révèlent également la quantité de virus dans l'échantillon.

Les tests diagnostiques rapides

Certains tests en projet sont basés sur:

  • CRISPR (des ciseaux moléculaires) et visent à détecter les séquences ARN du virus,
  • d’autres à plus long terme viseront à détecter des protéines du virus.

Peuvent prendre moins de 15 minutes pour les immuno-essais à flux latéral. Les tests fondés sur CRISPR promettent aussi d'être ultrarapides

tests scanner aussi

Les tests dans le Monde
In [22]:
Out[22]:
In [23]:
Out[23]:

histo + boxplot

Bcp de tests: Island, UAE norvege, canada, australie, Corée du sud
Peu de tests: France, Pologne, Iran,USA
Très peu de tests: mexique, index, bresil, ukraine

fe

Comme en France ou en italie on ne tests que les cas sévères (dû à une incapacité pour l'instant de faire des tests généralisés), le pourcentage de cas positifs est élevé.
On voit qu'en Corée du Sud il y a donc moins de cas +, car des tests plus massifs, comme en allemagne.
On verra par la suite les stratégies possibles pour arrêter une épidemie.

suite -> confirmed by popu, by log , temporel, groupbyDate

Les cas Contaminés

In [15]:
Out[15]:

/!\ En plus des indiquations données ci-dessus, il faut rappeller que le nombre cas contaminés données par jours n'est pas nécessairement le vrai nombre de nouveau cas du jours
Les cas confirmés ne sont donc qu'un sous-ensemble du nombre total de cas.
Il s'agit uniquement des personnes atteintes de COVID-19 et pour lesquelles un laboratoire a confirmé ce diagnostic.
De Plus, le nombre total de cas confirmés n'est pas le même que le nombre total de tous les cas actuels. (Rétablie, morts)

In [24]:
Out[24]:







In [17]:
Out[17]:







In [ ]:

Distribution de nombre de cas confirmé dans le monde

In [ ]:
In [ ]:
In [ ]:

Les Décès

les différences pour comptabiliser les décès dans le monde

In [ ]:

Les décès dans le monde

In [1229]:
Out[1229]:
In [1230]:
Out[1230]:

In [1231]:
Out[1231]:

In [1232]:
In [1233]:
Out[1233]:







In [1234]:
Out[1234]:







In [1235]:
Out[1235]:



In [1236]:
In [1237]:

SCHEMA GLOBAL POUR CHAQUE PAYS TENDENCE +/- ?

Les Rétablis

Les Mesures Gouvernementales

données d'oxford -> data/Oxford.csv

Bi/Multi Dimensionnelles

prepare data

In [1280]:
dataCombined_=(
            healtyDatas |_ftools_.
            mapl(__[0])[1:]  | _ftools_.
            mapl(lambda a: [a,eval(f'{a}.renameCols(Entity="Country")')] )  | _ftools_.
            mapl(lambda a: [a[0],a[1].rename_cols([i+f"_{a[0]}" for i in a[1].columns]).renameCols(**{f"Country_{a[0]}":"Country"})]) | _ftools_.
            reduce(lambda a,b:(a[1] if type(a) is list else a).merge(b[1],how="outer",on="Country",suffixes=["__"+a[0] if type(a) is list else "__x","__"+b[0]]))
).groupby("Country").last().drop2(df.contains("Year"),df.contains("Code")).drop(groupedCountries,errors="ignore").reset_index()
dataCombined=dataCombined_.merge(covidEdaDeaths.groupby("Country_Region").last().select(range(2,4)).reset_index(),how="outer",left_on="Country",right_on="Country_Region").dropCols("Country_Region")
with hideLog:
    newnames=countryConverter.convert(dataCombined.Country.values.tolist(),to="name_short")
dataCombined.Country=newnames
dataCombinedAll=dataCombined.filter_by(X_.Country != "not found").reset_index(drop=T)
dataCombinedAll2=dataCombinedAll.groupby("Country").first()
XX=dataCombinedAll2.drop2(0)
XX=XX.filter_by(XX.DeathsCumulative.notna())
In [1281]:
ppca = PPCA()
In [1282]:
ppca.fit(data=XX.values, d=2, verbose=F)
In [1283]:
variance_explained = ppca.var_exp
components = ppca.data
model_params = ppca.C
component_mat = ppca.transform()
In [1284]:
ppca.eig_vals,variance_explained,component_mat.shape
Out[1284]:
(array([5.7963399 , 2.85080247]), array([0.3853951 , 0.57494321]), (179, 2))
In [1285]:
pd.DataFrame(XX.columns)
Out[1285]:
0
0 HospitalBedsPer100000_beds
1 acuteBeds/100000_beds
2 icuBeds/100000_beds
3 MedicalDoctorsPer100000_doctors
4 DeathsRate100e3_tauxDeces
5 2016_surpoisData
6 Share of adults that are overweight (%)_overwe...
7 Share of adults who are obese (%)_obesityData
8 Cardiovascular disease_cardiovascularD
9 crude prevalence(men)_hypertensionD
10 crude prevalence(women)_hypertensionD
11 handwashing_access_%_handwashingData
12 2016_mortalityHygiene
13 2016_mortalityCVD_cancer_diabetes_CRD_30_70
14 Part de la population<br>couvert par une assur...
15 popu
16 DeathsCumulative
In [1316]:
plot_pca_correlation_graph(ppca.data,
                           range(len(XX.columns)),
                           X_pca=component_mat,
                           explained_variance=ppca.eig_vals)
Out[1316]:
(<Figure size 432x432 with 1 Axes>,
        Dim 1     Dim 2
 0  -0.642673 -0.425770
 1  -0.411498 -0.698848
 2  -0.674376  0.012338
 3  -0.817861 -0.208068
 4   0.004524 -0.850427
 5  -0.885068  0.229726
 6  -0.932306  0.160804
 7  -0.822986  0.267209
 8   0.331481 -0.246077
 9  -0.418131 -0.797948
 10 -0.364018 -0.805041
 11 -0.602245  0.516620
 12  0.760280 -0.302885
 13  0.539865 -0.186895
 14 -0.801041  0.004107
 15  0.134061  0.033657
 16 -0.265403  0.024768)

1er axe (les gros, avec des medecins, pas de pb d'hygiene, assuré, peu de mortalité CVD, cancer, diabetes, CRD):

  • Share of adults that are overweight (%)_overweight,
  • Part de la population
    couvert par une assur
  • (-)2016_mortalityHygiene
  • Share of adults who are obese (%)_obesityData
  • 2016_surpoisData
  • MedicalDoctorsPer100000_doctors

2eme axe (taux de déces elevé (vieux), de l'hypertension, mais pas de pb d'acces à lavage de main):

  • DeathsRate100e3_tauxDeces
  • crude prevalence(men)_hypertensionD
  • crude prevalence(women)_hypertensionD
In [1315]:
In [1246]:
XX.loc[["Afghanistan","India","Israel","United Kingdom","Egypt","Peru","Mauritius","Japan"],:]
Out[1246]:
HospitalBedsPer100000_beds acuteBeds/100000_beds icuBeds/100000_beds MedicalDoctorsPer100000_doctors DeathsRate100e3_tauxDeces 2016_surpoisData Share of adults that are overweight (%)_overweightData Share of adults who are obese (%)_obesityData Cardiovascular disease_cardiovascularD crude prevalence(men)_hypertensionD crude prevalence(women)_hypertensionD handwashing_access_%_handwashingData 2016_mortalityHygiene 2016_mortalityCVD_cancer_diabetes_CRD_30_70 Part de la population<br>couvert par une assurance santé_healthCoverage popu DeathsCumulative
Country
Afghanistan 50.0 NaN NaN 27.82 1340.0 23.0 19.7 5.5 597.029332 18.6 19.8 37.666535 13.9 29.8 NaN 38927.0 23.0
India 70.0 63.2 2.3 85.71 730.0 19.7 19.3 3.9 282.279536 25.8 29.2 59.422458 18.6 23.3 12.5 1380004.0 393.0
Israel 310.0 NaN NaN 462.49 520.0 64.3 65.3 26.1 93.319807 33.8 40.1 NaN 0.2 9.6 100.0 8658.0 123.0
United Kingdom NaN NaN NaN 281.17 NaN 63.7 67.2 27.8 122.137185 31.7 29.9 NaN 0.2 10.9 100.0 67887.0 12129.0
Egypt 160.0 NaN NaN 45.21 460.0 63.5 61.9 32.0 525.432174 17.1 23.9 89.828341 2.0 27.7 51.1 102334.0 178.0
Peru 160.0 NaN NaN 130.48 610.0 57.5 56.3 19.7 85.754584 16.2 17.8 NaN 1.3 12.6 64.4 32971.0 230.0
Mauritius 340.0 NaN NaN 253.31 710.0 32.3 33.8 10.8 224.644175 49.0 48.4 NaN 0.6 22.6 100.0 1273.0 9.0
Japan 1340.0 562.1 7.3 241.15 980.0 27.2 29.4 4.3 79.370363 46.7 37.5 NaN 0.2 8.4 100.0 126477.0 143.0

non linear pca (with missings values)

https://github.com/sharkeyboi/EEG-Clustering

In [1303]:
pc,net=octave.nlpca(scale(XX.values).T,2,max_iteration=2500, nout=2)
In [1304]:
data_reconstruction = octave.nlpca_get_data(net, pc)
In [1305]:
data_reconstruction.shape,pc.shape
Out[1305]:
((17, 179), (2, 179))
In [1306]:
net.variance
Out[1306]:
array([[58.73, 15.17]])
In [1307]:
pd.DataFrame(XX.columns)
Out[1307]:
0
0 HospitalBedsPer100000_beds
1 acuteBeds/100000_beds
2 icuBeds/100000_beds
3 MedicalDoctorsPer100000_doctors
4 DeathsRate100e3_tauxDeces
5 2016_surpoisData
6 Share of adults that are overweight (%)_overwe...
7 Share of adults who are obese (%)_obesityData
8 Cardiovascular disease_cardiovascularD
9 crude prevalence(men)_hypertensionD
10 crude prevalence(women)_hypertensionD
11 handwashing_access_%_handwashingData
12 2016_mortalityHygiene
13 2016_mortalityCVD_cancer_diabetes_CRD_30_70
14 Part de la population<br>couvert par une assur...
15 popu
16 DeathsCumulative
In [1308]:
plot_pca_correlation_graph(data_reconstruction.T,range(len(XX.columns)),
                           X_pca=pc.T,explained_variance=[0,0])
Out[1308]:
(<Figure size 432x432 with 1 Axes>,
        Dim 1     Dim 2
 0  -0.579188 -0.037681
 1  -0.220963 -0.130161
 2  -0.184447 -0.385971
 3  -0.625599 -0.325976
 4  -0.141954  0.283014
 5  -0.556314 -0.422536
 6  -0.609624 -0.405534
 7  -0.522472 -0.445600
 8   0.310788  0.857106
 9  -0.333544 -0.291034
 10 -0.280866 -0.222400
 11 -0.926711 -0.179541
 12  0.538642  0.198652
 13  0.436189  0.819154
 14 -0.629498 -0.488368
 15 -0.211314  0.665133
 16 -0.865390  0.023277)

1er Axe (inversé) (bcp de mort, access a des ressourses pour se laver les mains, des medecins, couvert ) (bizarre) :

  • mort covid
  • Part de la population
    couvert par une assur...
  • MedicalDoctorsPer100000_doctors
  • handwashingaccess%_handwashingData (valeurs manquantes)
  • (-) mortalité hygiene ??

2eme Axe (des maladie cardio, Cancer, diabetes, bcp de popu):

  • Cardiovascular disease_cardiovascularD
  • 2016_mortalityCVD_cancer_diabetes_CRD_30_70
  • popu
In [1314]:
(
    pd.DataFrame(pc.T,columns=["P1","P2"])
        .mutate(Country=XX.reset_index().Country)
    |
    px.scatter_(__,x="P1",y="P2",color="Country")
)
In [1317]:
XX.loc[["Sierra Leone","Somalia","Chad", #cas extreme axe 1 -> peu de covid, peu de couverture maladie, peu medecins, mort hygiene ?
       'United States',"Italy","Spain", #cas extreme axe 1 (-) -> mort covid, couverture maladie, medecins, peu mort hygiene
       "Afghanistan","India","Yemen", #cas extreme axe2 -> de la popu, cardioVasculaire 
       "Monaco","San Marino","Taiwan"],:]# cas extreme axe2  -> peu de popu, peu cardioVasculaire
Out[1317]:
HospitalBedsPer100000_beds acuteBeds/100000_beds icuBeds/100000_beds MedicalDoctorsPer100000_doctors DeathsRate100e3_tauxDeces 2016_surpoisData Share of adults that are overweight (%)_overweightData Share of adults who are obese (%)_obesityData Cardiovascular disease_cardiovascularD crude prevalence(men)_hypertensionD crude prevalence(women)_hypertensionD handwashing_access_%_handwashingData 2016_mortalityHygiene 2016_mortalityCVD_cancer_diabetes_CRD_30_70 Part de la population<br>couvert par une assurance santé_healthCoverage popu DeathsCumulative
Country
Sierra Leone 40.0 NaN NaN 2.51 1040.0 27.7 24.9 8.7 325.721020 39.8 39.7 18.383223 81.3 30.5 0.0 7975.0 0.0
Somalia 90.0 NaN NaN 2.30 1310.0 28.4 24.7 8.3 365.769262 33.5 32.7 9.808824 86.6 21.8 NaN 15895.0 2.0
Chad 40.0 NaN NaN 4.34 1380.0 23.1 19.5 6.1 280.995466 32.7 31.3 5.790296 101.0 23.9 NaN 16426.0 0.0
United States 290.0 190.0 30.0 261.20 820.0 67.9 70.2 36.2 151.089492 31.1 31.8 NaN 0.2 14.6 84.0 331002.0 25757.0
Italy 340.0 333.0 12.5 397.74 1040.0 58.5 64.1 19.9 113.150977 45.7 36.5 NaN 0.1 9.5 100.0 60463.0 21067.0
Spain 300.0 269.0 9.7 387.23 910.0 61.6 67.2 23.8 99.403487 44.0 37.1 NaN 0.2 9.9 99.2 46753.0 18056.0
Afghanistan 50.0 NaN NaN 27.82 1340.0 23.0 19.7 5.5 597.029332 18.6 19.8 37.666535 13.9 29.8 NaN 38927.0 23.0
India 70.0 63.2 2.3 85.71 730.0 19.7 19.3 3.9 282.279536 25.8 29.2 59.422458 18.6 23.3 12.5 1380004.0 393.0
Yemen 70.0 NaN NaN 52.51 600.0 48.8 42.3 17.1 495.002699 9.6 12.4 49.335099 10.2 30.6 42.0 29825.0 0.0
Monaco NaN NaN NaN 750.67 980.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 1.0
San Marino NaN NaN NaN 610.94 870.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 36.0
Taiwan NaN 313.2 28.5 NaN 740.0 NaN NaN NaN 103.957023 31.8 23.6 NaN NaN NaN 99.6 23817.0 6.0

mettre deathCummulative par population ? (lien entre popu et morts (logique))

Le Covid-19 en Europe

In [11]:
In [12]:

La Crise a commencé en Mars En Europe

In [ ]:

Les Cas Contaminés

In [ ]:
In [ ]:

Les Décès

In [ ]:
In [ ]:
In [ ]:
nombreE=lambda *args,**xargs:  getLinesEdaCovidByCountry(*args,maxi=10,begin=moment("mars").add(days=-1).date.replace(tzinfo=None),**xargs)
covidEdaDeathsEurope=dataEurope(covidEdaDeaths)
tabs(nombreE(covidEdaDeathsEurope),
     nombreE(covidEdaDeathsEurope,
             byPopu=True
           )
     ,
    fig2Name="ByPopu")

Le Covid-19 en Chine (le 1er)

Covid_19_Chine.ipynb

Le Covid-19 en Corée du Sud, le Japon, Singapore (debut Fev) ("les bons éléves")

Covid_19_Corée du Sud, Japon, Singapore.ipynb

Le Covid-19 en Italie, Espagne, Belgique, (France), UK

Covid_19_Italie, Espagne, Belgique, UK.ipynb

Le Covid-19 en Allemagne, Portugal, Iceland ?

Covid_19_Allemagne, Portugal, Iceland.ipynb

Le Covid-19 en France

Covid_19_France.ipynb

Alert EDA update plot

In [ ]:
display_html("""
<script>
alert('Actualisation des figures EDA Effectuée')
</script>
""")
clear_output()

Epidemiologie (Tech)

Covid_19_Epidemiologie.ipynb

Machine Learning (Tech)

Covid_19_Machine_Learning.ipynb

Sources et Outils

In [ ]: